c - 用于整个256位寄存器的AVX解包/解包模拟

假设我有两个256位寄存器，四个双值，x和y。_mm256_unpacklo_pd(x, y)（VUNPCKLPD）的输出为：[x0, y0, x2, y2]（因为每个128位行都是单独处理的）。我想实现[x0, y0, x1, y1]。
这有什么内在的/指令吗？或者，如果没有，最快达到预期效果的方法是什么？

最佳答案

请注意，所需的所有值都位于输入向量的低端。
_mm_unpacklo_pd/_mm_unpackhi_pd在每个输入的128b下半部分将设置为vinsertf128。（如果针对Sandybridge/Ivybridge进行调整，则可以对128b操作使用整数洗牌（vpunpcklqdq / hqdq），以获得比FP洗牌更好的吞吐量。因为我认为这不会对任何支持AVX1的CPU造成伤害，所以这不是一个坏主意。）
如果你需要相同的东西为高和低车道，然后使用256b车道内解包指令和洗牌128b车道的结果。_m256_permute2f128_pd尽可能使用gcc/clang编译成vinsertf128，但不使用ICC或MSVC，因此编写

// much faster on Ryzen/KNL, same on Intel mainstream
__m256d lohalves_insert(__m256d lo, __m256d hi) {
    return _mm256_insertf128_pd(lo, _mm256_castpd256_pd128(hi), 1);
}

查看各种编译器如何在the Godbolt compiler explorer上优化这些内容。
可能有一个2指令的方法来完成它，只有AVX1，但可能没有。
使用AVX2，您可以vinsertf128将每个输入的低128b输入到单个向量的两个通道中。然后使用AVX2vpermpd将元素穿过车道拖到其最终位置。
这在Ryzen上比两个128bvunpckl/hpd+vinsertf128更糟，但在Intel上的吞吐量更好。在Intel Haswell及更高版本上，或在Sandybridge/Ivybridge上，如果不对128b操作使用整数洗牌，则2车道交叉洗牌（3+3c=6c）的延迟比1+1（资源冲突）+3c=5c更差。（请参阅Agner Fog的insn表，tag wiki中的链接。）

关于c - 用于整个256位寄存器的AVX解包/解包模拟，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/45993874/